Post on 04-Apr-2015
Efficacité des algorithmes
Comment choisir parmi les différentes approches pour résoudre un problème?
Exemple: Liste chaînée ou tableau?
2 objectifs à atteindre:1. Concevoir un algorithme facile à
comprendre, coder et déboguer.2. Concevoir un algorithme qui utilise de façon
efficace les ressources de l’ordinateur.
Efficacité des algorithmes(suite)
Objectif (1): concerne le génie logiciel
Objectif (2): Algorithmes et structures de données.
Lorsque l’objectif (2) est important, comment peut-on mesurer l’efficacité d’un algorithme?
Comment mesurer l’efficacité?
1. Comparaison empirique: (exécuter le programme)
2. Analyse assymptotique d’algorithmes
Ressources critiques: temps, espace mémoire,...
Facteurs affectant le temps d’exécution:machine, language, programmeur, compilateur, algorithme et structure de données.
En général, le temps d’exécution dépend de la longueur de l’entrée.
Ce temps est une fonction T(n) où n est la longueur de l’entrée.
Exemples
Exemple 1.
// Retourne l’indice du plus grand élément
int PlusGrand(int T[], int n) { int max = 0; for (int i=1; i<n; i++) if (T[max] < T[i]) max = i; return max; }
Exemples (suite)
Exemple 2: x=3;
Exemple 3:
sum = 0;for (i=1; i<=n; i++) for (j=1; j<=n; j++) sum++;}
Meilleur algorithme ou ordinateur?
On suppose que l’ordinateur utilisé peut effectuer 106 opérations à la seconde
Taux de croissance
Analyse assymptotique: Grand O
Définition: T(n) est dans O(f(n)) s’il existe deux constantes positives c et n0 t.q.
T(n) cf(n) pour tout n > n0.
Utilité: Simplifie l'analyse
Signification: Pour toutes les grandes entrées (i.e., nn0), on est assuré que l’algorithme ne prend pas plus de cf(n) étapes.
Borne supérieure.
Notation grand-O (suite)
La notation grand-O indique une borne supérieure sur le temps d’exécution.
Exemple: Si T(n) = 3n2 +2 alors T(n) O(n2).
On désire le plus de précision possible:Bien que T(n) = 3n2 +2 O(n3), on préfère O(n2).
Grand-O: Exemples
Exemple 1: Initialiser un tableau d’entiers
for (int i=0; i<n; i++) Tab[i]=0;
• Il y a n itérations
• Chaque itération nécessite un temps c, où c est une constante.
• Le temps est donc T(n) cn• Donc T(n) O(n)
Grand-O: Exemples
Exemple 2: T(n) = c2n2 + c1n + c0 .
c2n2 + c1n +c0 c2n2 + c1n2 +c0n2
= (c2 + c1 + c0)n2 pour tout n 1.
T(n) cn2 où c = c2 + c1 + c0
Donc, T(n) est dans O(n2).
Grand-O: Exemples
Exemple 3:
Lorsque T(n) = c, où c est une constante,
on écrit T(n) O(1).
Grand-Omega
Definition: On a T(n) (g(n)) s'il existe deux constantes positives c et n0 telles que T(n) cg(n) pour tout n > n0.
Signification: Pour de grandes entrées, l’exécution de l’algorithme nécessite au moins cg(n) étapes.
Borne inférieure.
Grand-Omega: Exemple
T(n) = 3n2 + 2n+ 5
3n2 + 2n + 5 3n2 pour tout n > 0.
T(n) cn2 pour c = 3 et n>0.
Donc, T(n) (n2) par la définition.
La notation Theta
Lorsque le grand-O et le grand-omega d’une fonction coïncident, on utilise alors la notation grand-theta.
Définition: Le temps d’exécution d’un algorithme est dans (h(n)) s’il est à la fois dans O(h(n)) et dans (h(n)).
Exemple
(n)
(n2)
(n3)
(2n)
(lg n)
(lg n) (n) (n2) (n3) (2n)
Pire cas, meilleur cas et cas moyen
Toutes les entrées d’une longueur donnée ne nécessitent pas le même temps d’exécution.
Exemple: Recherche séquentielle dans un tableau de taille n:
Commencer au début du tableau et considérer chaque élément jusqu’à ce que l’élément cherché soit trouvé.
Meilleur cas: (1)
Pire cas: (n)
Cas moyen: (n)
Une erreur fréquente
“Le meilleur cas pour mon algorithme est n=1 car c’est le plus rapide.” FAUX!
On utilise la notation grand-O parce qu’on s’intéresse au comportement de l’algorithme lorsque n augmente.
Meilleur cas: on considère toutes les entrées de longueur n.
Règles de simplification 1
Si
f(n) O(g(n))
et
g(n) O(h(n)),
alors
f(n) O(h(n)).
Règles de simplification 2
Si
f(n) O(kg(n))
où k >0 est une constante
alors
f(n) O(g(n)).
Règles de simplification 3
Si
f1(n) O(g1(n))
et
f2(n) O(g2(n)),
alors
f1(n) + f2(n) O(max(g1(n), g2(n))).
Exemple: n + nlog n O(nlog n)
Règles de simplification 4
Si f1(n) O(g1(n))
et
f2(n) O(g2(n))
alors
f1(n)*f2(n) O(g1(n) * g2(n))
Exemple: (3n2 +3)(n2+5nlog n) O(n4)
Règles de simplification 5
Si p(n) est un polynôme de degré k
alors p(n) (nk)
Règles de simplification 6
logk n O(n)
pour toutes constantes k>0 et >0
Exemples
Exemple 1: a = b;
Temps constant: (1).
Exemple 2:somme = 0;for (i=1; i<=n; i++) somme += n;
Temps: (n)
Exemples
Exemple 3:somme = 0;for (i=1; i<=n; i++) for (j=1; j<=i; j++) somme++;
Temps: (1) + O(n2) = O(n2)
On peut montrer : (n2)
Exemples
Exemple 4:somme = 0;for (j=1; j<=n; j++) for (i=1; i<=n; i++) somme++;for (k=0; k<n; k++) A[k] = k;
Temps: (1) + (n2) + (n) = (n2)
Exemples
Example 5:somme = 0;for (k=1; k<=n; k*=2) for (j=1; j<=n; j++) somme++;
Temps: (nlog n)
Recherche dychotomique
// Retourne la position de l’élément K// dans un tableau trié de taille n
int dycho(int tab[], int n, int K) { int l = 0; int r = n-1; while (l <= r) { int m = (l+r)/2; if (tab[m] < K) l=m+1; else if (tab[m] > K) r=m-1; else return m; } return n; // K n'est pas dans tab}
Recherche dychotomique
Combien d’éléments sont examinés dans le pire cas?
Autres exemples
Instruction if: maximum entre le if et le then
switch: maximum entre les différents cas
Appels de fonction: Temps d’exécution de la fonction
Analyse de problèmes
Borne supérieure: Borne supérieur sur le meilleur algorithme connu.
Borne inférieure: Borne inférieure sur tous les algorithmes possibles.
Exemple: Trier un tableau de taille n nécessite O(n) étapes et peut se faire en O(nlog n) étapes.
Espace mémoire
La quantité d’espace mémoire utilisé peut aussi être étudiée à l’aide de l’analyse assymptotique.
En général:Temps: Algorithme manipulant les
structures de données.
Espace: Structure de données
Le principe du compromis espace/temps
Il est souvent possible de réduire le temps d’exécution au prix d’augmenter l’espace mémoire et vice versa.
• Fichiers compressés• Table des valeurs d’une fonctions
Espace disque: Un programme sera d’autant plus rapide qu’il requiert peu d’accès disque.